使用多通道差分 Transformer 实现跨异构 EEG/EOG 通道的睡眠分期

基于摘要分析。该研究针对不同临床配置下 EEG/EOG 信号的非平稳性与变异性导致睡眠分期模型泛化不足的问题，提出 SleepDIFFormer，将多通道差分 Transformer 与跨域特征分布对齐结合，学习可泛化至未见目标域的 EEG/EOG 表征。研究对象是自动睡眠分期，不是直接验证 BCI 控制任务。 方法上，作者将多个睡眠分期数据集分别视为源域进行训练，采用 Multi-channel Differential Transformer Architecture（MDTA）处理原始 EEG 和 EOG 信号。其设计意图是抑制空间与时间注意力噪声，并通过跨数据集特征分布对齐学习域不变表征。摘要未披露差分注意力的具体计算方式、对齐损失、异构通道输入的适配机制或训练细节，尚不能据此判断各模块的独立贡献。 作者报告，在五个睡眠分期数据集的域泛化设置下，SleepDIFFormer 相比现有方法取得更优表现；摘要未提供数据集名称、源域与目标域组合、被试划分、评价指标及具体数值，因此无法量化优势或比较不同协议。作者还报告开展了消融分析和差分注意力权重解释，支持该机制与判别性睡眠 EEG 表征学习的关联；实验协议、消融细节及统计信息尚未验证。 作者声明已公开源代码与 checkpoint，为复现提供了入口，但其可运行性、预处理流程及公开权重对应的评估配置尚未核验。全文阅读时应重点确认异构通道的定义、目标域是否完全不参与训练，以及跨数据集对齐如何兼顾睡眠阶段判别信息与域不变性。其在睡眠分期上的作者报告结果不能直接视为其他 EEG 或 BCI 任务中的有效性证据。